本文列出了德语中常见的不规则动词，包括不定式、过去式、过去分词及助动词，按等级（A1-A2、B1、B2）分类，帮助学习者掌握动词使用。

本研究探讨大型语言模型（LLMs）对性别包容语言的处理，发现英语存在男性偏见，而德语中的偏见更为明显，强调了模型公正性的重要性。

本研究开发了“Find your Figure”应用，旨在解决德语修辞手法检测中注释数据不足的问题，通过结合修辞本体GRhOOT与检索增强生成技术，提高识别效率。

本研究探讨了像素语言模型在标准语言与方言之间的转移学习潜力。以德语为例，结果显示像素模型在语法和语义任务中，尤其在零-shot方言评估上，优于基于令牌的模型，突显其在方言数据处理中的重要性。

该研究提出了Lou数据集，以解决德语文本分类中性别公平语言资源不足的问题。数据集包含七个分类任务，发现性别公平语言显著影响分类结果，如标签翻转和注意力模式变化，但现有评估方法仍然有效。这些发现可能适用于其他语言。

本研究探讨了领域适应技术在历史文本处理中的应用，特别是在词性标注和文本规范化方面。通过深度学习模型和多任务学习，提升了模型性能。研究分析了不同语言的历史拼写规范化方法，强调了训练数据的重要性，并提出在规范化过程中需谨慎，以保留文本特性。

本文研究了自然语言中的句法依存关系，探讨了交叉依存关系的稀少性及其原因，提出了新的度量标准以评估语言模型的句法知识，并分析了书写与口语的语法复杂度关系。此外，研究了方言间的句法差异及其相互作用，利用现代自然语言处理技术对英语和德语的句法变化进行了历时分析，揭示了共享词形构造在对话中的作用。

本研究针对低资源语言（如巴斯克语、加泰罗尼亚语和乌兹别克语）提供了数据集和情感分析框架，探讨了ABSA模型的鲁棒性和准确性。研究表明，通过对抗训练和数据注入，可以显著提升模型在低资源环境下的性能。

该研究提出了多种幻觉检测方法和数据集，旨在解决大型语言模型中的幻觉问题。通过迭代自训练框架和新基准，评估了模型在医疗和翻译领域的表现，强调了提高模型安全性和可靠性的必要性。

本文介绍了韩国冒犯性语言数据集（KOLD），包含40,429个注释评论，适用于韩文BERT和RoBERTa模型的训练。研究表明，提供上下文信息显著提升了模型在冒犯性检测和目标分类任务中的性能。

机器翻译在质量上不断进步，但性别偏见问题依然严重。为此，研究者推出了GATE X-E语料库，包含多种语言的翻译及性别变体，并开发了基于GPT-3.5的性别重写解决方案。研究表明，多个翻译系统普遍存在性别偏见，呼吁对机器翻译进行性别去偏见的深入研究。

本研究旨在提升瑞士德语方言的自动语音识别（ASR）模型性能。通过微调OpenAI的Whisper模型并提出新损失函数，取得了优于现有成果的效果。研究评估了多个瑞士德语语音转文本系统，分析了其优缺点，并提出改进方案。实验表明，使用基于知识的发音词典和上下文学习方法能显著降低词错误率，提高识别准确性。

本研究提出了一种动态数据集生成和训练模型的方法，生成约40,000项新数据，显著提升了模型的鲁棒性和性能。通过构建多语言的GOTHate数据集，开发了HEN-mBERT模型，增强了恶意言论检测效果。同时，研究探讨了在有限数据情况下的仇恨言论检测，提出合成数据生成方法，显示出良好的模型性能。

Potsdam Textbook Corpus (PoTeC) 是一个自然语言处理语料库，其中包含 75 名参与者阅读 12 篇科学文本时的眼动数据。PoTeC 是第一个包含领域专家和新手眼动数据的自然语言处理语料库，其设计基于 2x2x2 的完全交叉因子设计，用于研究参与者的学习水平、学科、以及文本领域对阅读理解和领域知识的影响。该语料库可用于分析专家和非专家的阅读策略，并提供了各个语言层面的标注特征。